无标记感应技术在脑卒中平衡功能和步态评估应用中的研究进展*

谢秋蓉，张琪，盛博，陈超，吴绍海△

（1.福建中医药大学，福建 福州 350122；2.上海大学，上海 200444；3.福建中医药大学附属康复医院，福建 福州 350005；4.福建中医药大学中医骨伤与运动康复重点实验室，福建 福州 350122）

脑卒中又被称为“脑血管意外”、“中风”，是由于脑血管破裂或者堵塞引起脑组织损伤，从而发生相应神经功能缺损的临床综合征[1]。据报道，脑卒中已成为成年人致死和致残的首位疾病[2]，2002-2030年预计将有2300万人发生首次卒中并导致780万人死亡[3]。全世界每年大约有67%脑卒中患者遗留运动功能障碍[4]，大约3/4患者不同程度丧失劳动能力，重度致残者高达40%以上[5]，严重影响患者的日常生活活动能力和社会参与能力，给患者及其家庭乃至社会经济、医疗等带来沉重负担。运动功能障碍是卒中后最常见的后遗症之一[6-7]。运动功能的评估具有重要意义，可以用于评估康复治疗的临床疗效[8]，并有助于做出临床决策[9]。但是，目前运动功能评估最常用工具是临床量表，例如Berg量表[10]、Tinetti量表[11]等。尽管已对其进行了标准化和验证，但评估结果依赖于对测试进行评分的物理治疗师[12]，其主观成分较高。此外，临床量表无法对运动策略进行评估，必须将其与其他更客观的评估方法结合使用。

目前传感器技术已经用于运动功能评估以提供人体运动的精确测量。常用的评估方法是基于传感器通过运动跟踪系统记录人体的运动，例如Qualisys三维运动分析系统[13]。基于标记的三维运动分析系统的客观性和准确性使其成为运动质量评估的金标准。但是，该类系统安装成本高，缺乏便携性，限制了其在临床工作中的应用[14]。因此，亟待开发一种廉价的便携式系统来收集精度较高的人体运动学数据。

运动捕捉技术和计算方法的发展使得通过低成本、无标记和便携式的运动捕捉系统[15,16]来收集真实场景下脑卒中患者的定量运动数据成为可能。与有标记感应技术相比，运动捕捉技术不需要在特定位置和特定运动期间安装传感器[17]。微软Kinect是最常用的低成本无标记运动捕捉系统，它配备彩色摄像机镜头、红外线摄像机以及深度传感器，可以准确追踪并记录物体在三维空间中的运动轨迹，并且使用内置的机器学习算法，基于具有深度信息的二维图像估计人体关节（25个关节）的的XYZ坐标数据，可靠地估计三维关节位置[18]。此外，机器学习增强的Azure Kinect可用于识别异常的运动表现和模式。这种创新的运动功能评估方法一种经济高效的工具，可以帮助治疗师以高可靠性和高精度评估运动质量，具有改善无标记运动跟踪系统在医疗机构中应用的潜力。本文系统地回顾了无标记感应技术在脑卒中平衡功能和步态评估中的研究进展，并对基于机器学习算法的平衡与步态评估系统应用进展进行了文献综述。

1 无标记感应技术在康复医学领域的应用进展

作为便携式三维运动捕捉系统，Kinect应用于需要位置数据的不同场所。Lun和Zhao[15]整理了Kinect传感器技术的应用列表，涉及从人体工程学到机器人技术的各种应用，但其最大的影响是在医疗保健领域。Da Gama及其同事[19]回顾了31项原始研究，得出的结论是，该技术在康复医疗领域具有广阔的应用前景，如改善肢体功能和评估运动参数。研究表明Kinect传感器可以评估运动控制，包括站立抓取等[20]、评估静态足部姿势[21]以及在工厂环境进行三维运动学分析[22]等。此外，Kinect还用于评估脑卒中患者的运动障碍[23]、平衡障碍[24]、步态障碍[25]以及进行人体测量[26]评估老年人跌倒的风险[27]。在临床评估、康复训练、预测跌倒风险、进行功效学研究等领域有很大的科研和实践应用潜力。

基于Kinect体感器的骨骼跟踪技术广泛应用于教育领域、运动训练、康复治疗、虚拟场景模拟、分析军事化体能等领域。Chang等[28]探索了基于Kinect的康复训练系统在公共学校的应用。实验表明，Kinect辅助康复训练提高了受试者运动康复的主动性从而提高了康复效果。Clark等[29]通过Kinect在步态康复训练时提供躯干侧倾角度实时反馈并且有很大的潜力应用到临床康复中。邵隽、马娜等[30]利用Kinect传感器捕捉患者运动，获取原始深度数据信息，在此基础上构建一个动态实时的康复训练软件系统。Lin[31]等应用Kinect作为评估太极动作标准与否的工具，从而提高运动障碍患者的康复水平。经过一段时间的干预，研究发现Kinect动作评估显著地提高了太极运动水平。张利英[32]等在“基于Kinect运动捕捉的太极拳辅助训练系统研究”中将Kinect的运动捕捉技术等科学技术应用到体育教学领域中，并运用到太极拳的训练当中，可作为对传统教学的适当补充，提升太极拳教学效率。Dutta等[33]调查了Kinect在工作场所的使用情况，通过比较Kinect与Vicon测量的物体三维坐标的误差，发现在距离Kinect一米到三米间、水平视角54度、俯仰角39.1度的三维空间中，Kinect可以测量物体在三维空间中的坐标。从而可以在作业环境中记录姿势或动作，发现肌肉骨骼损伤风险。

2 无标记感应技术在脑卒中运动功能评估中的应用

2.1 无标记感应技术在平衡功能评估中的研究进展

脑卒中患者通常都伴有平衡功能障碍，导致跌倒的风险增加[34]。研究表明，卒中后姿势控制障碍主要表现为复杂的运动动力学变化，如协调不足、摇摆变化性增加、可预测性和复杂性丧失以及站立和动态任务期间摇摆模式的稳定性下降。

多项研究报道，对于站立姿势控制使用Kinect进行运动学测量的方法是相当准确和可靠的，可用于在医院和康复中心的平衡能力评估。Clark等[35]比较基于标记的三维运动分析（3DMA）系统和Kinect V2在不同视觉（睁眼与闭眼）和支持条件（单脚与双脚）的静态站立平衡、以及由功能性前伸和侧伸、稳定极限组成的动态站立平衡功能。结果发现，动态任务期间躯干角度数据以及静态平衡任务中前后范围和路径长度的有效性非常好（Pearson r＞0.75）。相比之下，除单脚闭眼平衡外，所有试验的内外侧范围和路径长度的有效性均为差至中等。在设备内部重测的可靠性是变化的；但是，在设备之间结果具有可比性。Clark等人[20]通过对比Kinect和标准三维运动捕捉系统采集到的站立平衡以及功能抓取运动学数据，包括抓取的距离以及矢状面和冠状面的躯干屈曲角度以及站立平衡采集的骨盆、膝关节、踝关节、上肢前后以及左右的屈伸等的幅度以及偏差。该研究表明与传统的三维运动分析系统相比，Kinect系统有很好的同时效度和试验间可靠性。Mentiplay等[21]评估了Kinect系统分析静态站立足部姿势的准确性和可靠性。研究同时比较了Kinect系统、传统三维运动分析系统以及主观视觉判断等方法并用相关系数来评估其评估者内部可靠性及同时效度。研究表明Kinect表现出了较好的评估者内部可靠性并与传统三维运动分析系统有较高的相关关系，Kinect可以以良好的准确性和可靠性客观地评估静态足部姿势。Lim等[36]使用三维运动分析系统和Kinect系统来实时评估平衡。通过控制平衡训练设备的基面，使受试者向不同方向运动。两个系统的结果显示平均下肢关节角度与屈曲伸展运动相似，且这些值高度相关。下肢关节角与外展内收及内旋外旋运动的相关性有显著性差异（P＜0.40），但相关性较低（P＜0.05）。总之，Kinect V2有潜力用作评估平衡功能的可靠有效工具。

2.2 无标记感应技术在步态评估中的研究进展

步行障碍严重影响脑卒中后的运动功能和生活质量，改善步态也成为脑卒中后康复的重要目标[37]。Kinect可用于评估步态时空参数和运动学。Mentiplay等[38]分析了Kinect作为步态评估工具的信度和可靠性。研究发现Kinect可以准确的得到步态时空参数，但是不能准确评估年轻正常人的步态下肢运动学数据。Galna等[39]等应用Kinect传感器评估帕金森病人的功能运动，包括站立、抓取、上台阶、走路以及与帕金森诊断量表相关的手部及下肢灵活度检测动作。研究表明Kinect可以准确地测量临床粗大运动时空参数，例如下肢和躯干运动学，但是手部精细动作的时空参数测量并不准确。Kinect还可以通过提供侧躯干倾斜角作为实时反馈来协助诊所进行步态康复训练[40]。

3 无标记传感技术结合机器学习算法在脑卒中运动功能评估中的应用

从理论上讲，Kinect是一种经济高效的便携式无标记运动学分析工具，因为它可以可靠地估计三维关节位置。此外，可以通过机器学习模型增强Kinect传感器的性能，从而对运动质量进行自动分类[41,42]。机器学习是计算机科学的扩展，它运用人工智能技术，基于从训练数据集中“学习”的模式，通过统计和计算机科学技术在输入数据和结果变量之间建立数学模型，开发用于分类或预测结果变量的模型[43]。

便携式三维运动捕捉系统使收集运动数据更加方便，并促进智能模型的开发，使定量评估自动化。多项研究基于Kinect传感器数据开发了机器学习模型（基于人工智能的模型），根据从收集的数据中“学习”到的模式进行推理，以自动评估与运动有关的临床表现。这些研究包括使用Kinect位置数据自动评估临床参数，如病理步态[44]、中风功能障碍[44]、帕金森氏症[45]和跌倒风险等。

3.1 脑卒中平衡功能自动评估系统的研究进展

多项研究评估的是平衡的静态稳定性。Kawalessandro等[46]开发的机器学习算法可以自动评估在不失去平衡的情况下保持单腿站立的时间，并能够自动评估伯格平衡量表评估的最后四项最重要任务。Choi等[47]利用Microsoft Kinect开发了由单腿站立试验（OLST）组成的平衡评估程序。该程序通过与髋关节和膝关节的运动范围进行比较来识别正确的运动姿势，并提供了一些改进训练的正确动作示例。运动识别的准确率为95.3%，特异性为100%。Mazumder等[48]采用模糊逻辑方法利用由Kinect传感器获得的姿势图特征计算脑卒中患者的静态稳定性，并通过单因素方差分析（ANOVA）比较中风人群和健康人群的研究验证了该评分系统的可靠性。

多项研究评估的是功能测试及活动过程中的动态稳定性。Vernon等[49]在没有指导患者的情况下评估计时起立走（TUG）的独立成分。结果表明，除躯干屈曲角度（ICC＝0.73）外，所有Kinect-TUG变量均具有良好的可靠性（ICC（2,K）＞0.90）。

3.2 脑卒中步态自动评估系统的研究进展

Dolatabadi等[50]研究了基于实例的判别分类器（k近邻）和动态生成分类器两种机器学习方法来区分健康步态和中风或后天性脑损伤病理步态。判别模型在F1得分和宏平均误差方面优于动态生成模型，动态生成模型获得了更好的微观平均误差。Zhao等[51]设计了一个步态及动态平衡自动评估系统。结果表明，该系统能有效地对受试者进行评分。Kaczmarczyk等[52]采用聚类分析和人工神经网络等方法分析三维运动分析系统获得的74例脑卒中患者的步态数据，首先通过K-means算法对患者步态模式进行聚类分析，所用特征包括患者足部着地姿势等14个参数，对患者足部首次触地部位（前脚掌、足底部和足后跟）分类，其分类准确度达100%。Mulroy等[53]采用非层次聚类分别对脑卒中患者的入院和出院6个月后的步态测试进行对比分析，通过步幅分析系统（stride analyzer system）和VICON运动分析等系统收集的患者步行时空和运动学参数，能识别到四类患者群体。

Lau等[54]将便携式传感单元放置于患者小腿和足部收集运动学数据，使用支持向量机判断患者的行走环境（平地、上楼梯、下楼梯、上坡和下坡）。测试结果显示，以小腿部位传感器数据为输入，分类准确度可达92.9%，增加双脚部位传感器后，分类准确度提高到97.5%，优于多层感知器和径向基函数神经网络的分类结果。Dzierzanowski等[55]开发了脑卒中患者步态异常的评价专家系统Gaitspert，采用基于规则方法对运动学、肌电图等数据进行分析，推测患者的身体状态，系统可作为脑卒中疾病状态评价和治疗方案推荐工具。

4 讨论

无标志点运动分析系统由于体积小、使用方便、成本低、对实验环境及测试人员要求较低等优点，可以在社区、家庭、经费或场地受限的医院以及室外等公共场所中使用，在评估运动控制、运动学分析、临床评估、康复训练、运动训练以及功效学研究等领域有很大的科研和实践应用潜力。脑卒中患者的运动功能评估可以为康复干预提供有用的指导。尽早发现功能损伤水平对于康复的决策很重要。与传统的临床量表评估不同，基于无标记感应技术的运动功能评估是客观的，可以量化患者的平衡功能和步态的缺陷，为康复治疗师制定运动处方提供指导。此外，无标记感应技术结合机器学习算法广泛应用在脑卒中康复评估中，能够实现平衡功能和步态的自动评估，为治疗师的工作提供便利。

在目前的研究中，无标记感应技术可以准确测量静态和动态站立位姿势控制，步态时空参数，以及上台阶等功能性活动的运动学参数，能够用作评估平衡功能和步态的可靠有效工具。此外，脑卒中平衡自动评估系统主要用于评估单腿站立等静态稳定性或运动期间的动态稳定性。脑卒中步态自动评估系统能够识别中风步态，并进行异常步态的分类。总之，人工智能技术可以提供更好的洞察力，并提高模型性能、生产力和医疗保健服务的效率。

但是目前脑卒中平衡功能和步态的评估还存在一些不足之处，例如在步态等功能性任务中评估平衡功能仍较少见，无标记感应技术的精度仍有待提高，便携式易操作的智能化平衡和步态评估系统尚未建立，这均可以作为未来的研究方向。建立便携式、低成本的智能康复评估系统，并广泛应用在医院、社区、家庭等场所，对于提高康复评估水平、制定康复方案和提高康复效果等有重要意义。